针对真实环境下采集的病害图像中存在的大量噪声和复杂背景干扰,导致作物病害识别准确性和泛化性低的问题,该研究提出基于自适应BayesShrink和频-空特征融合的作物病害识别方法(adaptive BayesShrink and frequencyspatial domain featu...针对真实环境下采集的病害图像中存在的大量噪声和复杂背景干扰,导致作物病害识别准确性和泛化性低的问题,该研究提出基于自适应BayesShrink和频-空特征融合的作物病害识别方法(adaptive BayesShrink and frequencyspatial domain features fusion, AFSF-DCT)。首先,设计了自适应BayesShrink算法(Ad-BayesShrink)以减少噪声干扰,同时保留更多细节,降低识别模型提取病害特征的难度。然后提出基于频-空特征融合和动态交叉自注意机制的作物病害识别模型(crop leaf disease identification model based on frequency-spatial features fusion and dynamic cross-self-attention,FSF-DCT)。为实现全面的频-空特征映射,设计了基于离散小波变换(discrete wavelet transform,DWT)和倒残差结构(bneck)的频-空特征映射(DWT-Bneck)分支以捕获多尺度病害特征。频域分支设计了基于2D DWT的特征映射模块(2D DWT-based frequency-features decomposition module, DWFD)以捕获病害细节和纹理,用于补充空间域特征在全局信息表达上的不足。空间域分支在bneck中引入CBAM(convolutional block attention module)和Dynamic Shift Max激活函数以实现全面的空间特征映射。最后设计了动态交叉自注意特征融合模块(multi-scale features fusion network based on dynamic cross-self-attention, MDCS-DF)融合频-空特征并增强模型对病害特征的关注。结果表明,Ad-BayesShrink获得了35.78的最高峰值信噪比,优于VisuShrink和SUREShrink。FSF-DCT在自建数据集和2个开源数据集(PlantVillage和AI challenger 2018)上分别获得了99.20%、99.90%和90.75%的识别精度,且具有较小的参数量(7.48 M)和浮点运算数(4.62 G),优于当前大部分的主流识别模型。AFSF-DCT可为复杂背景下的作物叶片病害的快速精准检测提供模型参考。展开更多
精准评估土壤质量是保障育种质量先决条件之一,对评估种子品质和精准施肥具有指导意义。土壤成分含量是土壤质量评估的重要指标,光谱技术已经被证实可以快速、绿色地进行土壤成分检测。然而单一模态光谱技术难以满足种田多种土壤成分含...精准评估土壤质量是保障育种质量先决条件之一,对评估种子品质和精准施肥具有指导意义。土壤成分含量是土壤质量评估的重要指标,光谱技术已经被证实可以快速、绿色地进行土壤成分检测。然而单一模态光谱技术难以满足种田多种土壤成分含量检测的需求。故运用原子激光诱导击穿光谱(LIBS)和分子可见-近红外光谱(VIS-NIR)技术结合化学计量学方法,对宁夏润丰种业育种玉米田采集的288份土壤样本进行分析,建立金属元素和土壤有机质(SOM)含量的预测模型,并实现金属元素和SOM含量空间可视化分布。首先,利用共线双脉冲LIBS系统采集土壤样本的LIBS数据,利用air-PLS对光谱数据进行基线矫正以减少试验误差。选择的金属元素特征谱线查找于美国国家标准与技术研究院(National Institute of Standards and Technology,NIST)的标准原子光谱数据库。基于国家标准土样的LIBS光谱与其金属元素含量真实值,建立4种金属元素(Na、K、Mg、Mn)的偏最小二乘回归模型(PLSR),其中Mn含量的预测效果最好,R_(p)^(2)达到0.813,RMSEP为0.155 g·kg^(-1)。另一方面,采集可见-近红外光谱数据后,利用SG卷积平滑(SGCS)、一阶导数变换、多元散射矫正(MSC)对光谱数据进行预处理,并分别建立SOM含量的PLSR预测模型对三种预处理方法进行评价,经MSC预处理后所建立的PLSR模型效果最好;随后利用蒙特卡洛交叉验证法(MCCV)剔除SOM含量异常样本。利用竞争自适应重加权采样法(CARS)和连续投影算法(SPA)选择特征波长,分别建立SOM含量的PLSR预测模型对两种算法进行评价;得出利用CARS算法选择的特征波长建立的预测模型性能有所提高。用CARS算法选择的特征波长与SOM含量真实值,分别建立PLSR和反向传播人工神经网络(BPNN)预测模型,其中PLSR模型的效果最好,R_(p)^(2)达到0.864,RMSEP为0.612 g·kg^(-1),RPD_(v)为2.733。最后,利用国家标准土样所建立的PLSR模型预测玉米种田四种金属元素含量,建立PLSR模型预测值和BPNN模型预测值的空间分布图。研究结果表明,LIBS技术和可见-近红外光谱定量分析技术可以对种田土壤金属元素和SOM含量检测,为土壤成分含量的检测和空间可视化分布提供了参考价值并对土壤科学合理地施肥具有指导意义。展开更多
文摘针对真实环境下采集的病害图像中存在的大量噪声和复杂背景干扰,导致作物病害识别准确性和泛化性低的问题,该研究提出基于自适应BayesShrink和频-空特征融合的作物病害识别方法(adaptive BayesShrink and frequencyspatial domain features fusion, AFSF-DCT)。首先,设计了自适应BayesShrink算法(Ad-BayesShrink)以减少噪声干扰,同时保留更多细节,降低识别模型提取病害特征的难度。然后提出基于频-空特征融合和动态交叉自注意机制的作物病害识别模型(crop leaf disease identification model based on frequency-spatial features fusion and dynamic cross-self-attention,FSF-DCT)。为实现全面的频-空特征映射,设计了基于离散小波变换(discrete wavelet transform,DWT)和倒残差结构(bneck)的频-空特征映射(DWT-Bneck)分支以捕获多尺度病害特征。频域分支设计了基于2D DWT的特征映射模块(2D DWT-based frequency-features decomposition module, DWFD)以捕获病害细节和纹理,用于补充空间域特征在全局信息表达上的不足。空间域分支在bneck中引入CBAM(convolutional block attention module)和Dynamic Shift Max激活函数以实现全面的空间特征映射。最后设计了动态交叉自注意特征融合模块(multi-scale features fusion network based on dynamic cross-self-attention, MDCS-DF)融合频-空特征并增强模型对病害特征的关注。结果表明,Ad-BayesShrink获得了35.78的最高峰值信噪比,优于VisuShrink和SUREShrink。FSF-DCT在自建数据集和2个开源数据集(PlantVillage和AI challenger 2018)上分别获得了99.20%、99.90%和90.75%的识别精度,且具有较小的参数量(7.48 M)和浮点运算数(4.62 G),优于当前大部分的主流识别模型。AFSF-DCT可为复杂背景下的作物叶片病害的快速精准检测提供模型参考。
文摘精准评估土壤质量是保障育种质量先决条件之一,对评估种子品质和精准施肥具有指导意义。土壤成分含量是土壤质量评估的重要指标,光谱技术已经被证实可以快速、绿色地进行土壤成分检测。然而单一模态光谱技术难以满足种田多种土壤成分含量检测的需求。故运用原子激光诱导击穿光谱(LIBS)和分子可见-近红外光谱(VIS-NIR)技术结合化学计量学方法,对宁夏润丰种业育种玉米田采集的288份土壤样本进行分析,建立金属元素和土壤有机质(SOM)含量的预测模型,并实现金属元素和SOM含量空间可视化分布。首先,利用共线双脉冲LIBS系统采集土壤样本的LIBS数据,利用air-PLS对光谱数据进行基线矫正以减少试验误差。选择的金属元素特征谱线查找于美国国家标准与技术研究院(National Institute of Standards and Technology,NIST)的标准原子光谱数据库。基于国家标准土样的LIBS光谱与其金属元素含量真实值,建立4种金属元素(Na、K、Mg、Mn)的偏最小二乘回归模型(PLSR),其中Mn含量的预测效果最好,R_(p)^(2)达到0.813,RMSEP为0.155 g·kg^(-1)。另一方面,采集可见-近红外光谱数据后,利用SG卷积平滑(SGCS)、一阶导数变换、多元散射矫正(MSC)对光谱数据进行预处理,并分别建立SOM含量的PLSR预测模型对三种预处理方法进行评价,经MSC预处理后所建立的PLSR模型效果最好;随后利用蒙特卡洛交叉验证法(MCCV)剔除SOM含量异常样本。利用竞争自适应重加权采样法(CARS)和连续投影算法(SPA)选择特征波长,分别建立SOM含量的PLSR预测模型对两种算法进行评价;得出利用CARS算法选择的特征波长建立的预测模型性能有所提高。用CARS算法选择的特征波长与SOM含量真实值,分别建立PLSR和反向传播人工神经网络(BPNN)预测模型,其中PLSR模型的效果最好,R_(p)^(2)达到0.864,RMSEP为0.612 g·kg^(-1),RPD_(v)为2.733。最后,利用国家标准土样所建立的PLSR模型预测玉米种田四种金属元素含量,建立PLSR模型预测值和BPNN模型预测值的空间分布图。研究结果表明,LIBS技术和可见-近红外光谱定量分析技术可以对种田土壤金属元素和SOM含量检测,为土壤成分含量的检测和空间可视化分布提供了参考价值并对土壤科学合理地施肥具有指导意义。
